一种基于数据的迭代式数字孪生框架，用于动态评估建筑能源性能：整合虚拟传感技术与异常诊断功能

《ENERGY AND BUILDINGS》：A data-driven iterative digital twin framework for dynamic building energy performance: Integrating virtual sensing and anomaly diagnosis

　　

陈曦嘉|杨龙月|魏金|赵继峰|张传金|李宇坦

摘要

本研究聚焦于已投入运营的中型办公楼（建筑面积8000–12000平方米），这些办公楼配备了部分传感器数据。随着全球建筑行业脱碳目标的推进，迫切需要能源性能认证（EPC）工具从“静态合规文件”转变为“动态决策支持平台”。传统的EPC系统存在三个核心问题：由于数据稀缺，无法全面评估整栋建筑的能源性能；由于因果关系的不确定性，能源效率异常诊断不准确；以及由于采用静态策略，改造优化缺乏动态适应性。为了解决这些问题，本研究提出了一个数据驱动的迭代数字孪生框架——自适应、可信且可操作的现实同步（STAR）框架，该框架建立了“感知-诊断-优化-数据更新”的迭代技术体系。该框架整合了三个创新组件：1）基于物理原理的双通道时空图感测引擎，通过构建建筑时空异构图并嵌入热力学约束，在数据稀缺的情况下实现全面的性能虚拟计量；2）基于图随机游走的异常根本原因诊断引擎，通过量化各个节点对观察到的异常的贡献，能够精确地从症状定位到根本原因；3）双智能体协作进化优化引擎，通过探索验证智能体的竞争与合作，生成合规、高效且个性化的动态改造方案。实验结果表明，在60%的传感器缺失率下，STAR框架的时空感测引擎的平均绝对百分比误差（MAPE）为6.5%，R2值为0.92，在数据稀缺条件下显著减缓了性能下降。其异常诊断引擎在七种异常类型上的F1分数超过0.88，隐藏异常的召回率为92%，单场景诊断时间仅为0.8秒。协作优化引擎的帕累托前沿覆盖率达到0.93，生成的改造方案平均节能率为22.0%，投资回收期为3.2年。经过七次迭代学习后，感测引擎的MAPE进一步降至5.2%，优化的投资回报率（ROI）提高到10.2%。这项研究为下一代EPC工具提供了技术范式，支持建筑能源管理从静态评估向动态、可解释和持续更新的性能优化转变，同时为建筑脱碳提供可扩展的技术支持。除了提升EPC功能外，所提出的框架还可以作为预测性维护和自适应建筑运营的技术模块。